APS - R para Ciência de Dados (Grupo 1)

library(plotly)

## Warning: package 'plotly' was built under R version 4.1.3

## Carregando pacotes exigidos: ggplot2

## Warning: package 'ggplot2' was built under R version 4.1.3

## 
## Attaching package: 'plotly'

## The following object is masked from 'package:ggplot2':
## 
##     last_plot

## The following object is masked from 'package:stats':
## 
##     filter

## The following object is masked from 'package:graphics':
## 
##     layout

library(tidyverse)

## Warning: package 'tidyverse' was built under R version 4.1.3

## -- Attaching packages --------------------------------------- tidyverse 1.3.1 --

## v tibble  3.1.6     v dplyr   1.0.8
## v tidyr   1.2.0     v stringr 1.4.0
## v readr   2.1.2     v forcats 0.5.1
## v purrr   0.3.4

## Warning: package 'readr' was built under R version 4.1.3

## Warning: package 'forcats' was built under R version 4.1.3

## -- Conflicts ------------------------------------------ tidyverse_conflicts() --
## x dplyr::filter() masks plotly::filter(), stats::filter()
## x dplyr::lag()    masks stats::lag()

library(readxl)

## Warning: package 'readxl' was built under R version 4.1.3

library(stringr)
library(ggthemes)

## Warning: package 'ggthemes' was built under R version 4.1.3

require(gridExtra)

## Carregando pacotes exigidos: gridExtra

## Warning: package 'gridExtra' was built under R version 4.1.3

## 
## Attaching package: 'gridExtra'

## The following object is masked from 'package:dplyr':
## 
##     combine

INTRODUÇÃO

Neste trabalho será realizado um estudo sobre as ocorrências de crimes registradas no Estado de São Paula com base nos dados estatísticos coletados pela Secretaria de Segurança Pública do Estado de São Paulo no período de 2002 a 2021.

A análise criminal é um instrumento otimizador das ações do Estado para combater a violência em seu território. Sendo assim, realizar uma análise sobre as ocorrências criminais registradas no Estado de São Paulo é de extrema importância visto que, ao longo dos anos, a violência no Estado é cada vez maior.

Em 2021, o estado de São Paulo possuía uma taxa de mortes violentas de 6,6 vítimas para cada 100 mil habitantes, levando em consideração o fato de que mais de 44 milhões de pessoas vivem no estado de São Paulo, são mais de 3 mil mortes violentas por ano. Além disso, em 2022 praticamente todos os indicadores de violência no Estado de São Paulo pioraram no mês de março e a tendência é que continuem aumentando.

Com isso, salienta-se a necessidade e importância da realização de análise criminal no Estado de São Paulo com o intuito de promover políticas públicas e ações policiais cada vez mais eficientes que melhorem as condições de segurança pública.

Referencias:

https://cidades.ibge.gov.br/brasil/sp/panorama

https://agenciabrasil.ebc.com.br/radioagencia-nacional/seguranca/audio/2022-04/sao-paulo-quase-todos-indicadores-de-violencia-pioraram-em-marco

https://g1.globo.com/monitor-da-violencia/noticia/2022/02/22/am-tem-a-maior-taxa-de-mortes-violentas-do-brasil-sp-tem-a-menor.ghtml

DESCRIÇÃO DA BASE DE DADOS

Foi utilizada a base de dados que contém o registro das ocorrências de diferentes tipos de crimes nas cidades do Estado de São Paulo, mas para fazer uma análise relativa, utilizamos outra base de dados que contêm a população total de cada cidade. Com o uso do comando left_join juntamos as duas bases de dados de acordo com o id dos municípios.

#Importando as bases de dados

dados <- read.csv("ocorrencias_registradas.csv",
                  fileEncoding = "utf-8") %>% 
  filter(ano<2021)
pop <- read_excel("total_populacao_sao_paulo.xlsx")

View(dados)
View(pop)

#Definindo a coluna id_municipio como numeric

pop <- pop %>% 
  mutate(id_municipio=as.integer(id_municipio))

## Warning in mask$eval_all_mutate(quo): NAs introduzidos por coerção

#Selecionando apenas as colunas de interesse da base pop

pop <- pop %>% 
  select(id_municipio,nome_municipio,pop_2010)

#Agregando as duas bases

dados <- dados %>% 
  left_join(pop,by="id_municipio")

#Selecionando as colunas de interesse da base final
dados <- dados %>% 
  select(-c(regiao_ssp,
            numero_de_vitimas_em_homicidio_doloso,
            numero_de_vitimas_em_homicidio_doloso_por_acidente_de_transito,
            numero_de_vitimas_em_latrocinio)) %>% 
  mutate(ocorrencias_tot = select(.,homicidio_doloso:furto_de_veiculo) %>% 
           rowSums(na.rm = TRUE))

#view(dados)

EVOLUÇÃO DA OCORRÊNCIA TOTAIS DE CRIMES NO ESTADO DE SÃO PAULO

O gráfico acima representa a quantidade total de ocorrência no estado de São Paulo ao longo dos anos, nele os dados estão em milhares. A partir dele podemos concluir que a trajetória da evolução das ocorrências totais é conturbada ao longo dos anos.

Com diversas quedas ao longo dos anos, destaca-se a queda que ocorreu em 2020. A drástica redução no número de ocorrências registradas em 2020, de 1.412.942 ocorrências registradas em 2019 para 1.128.402 em 2020, ou seja, ocorreu uma queda de mais de 20% na quantidade de ocorrências registradas. Isso aconteceu por causa da pandemia do coronavírus que devido às restrições de isolamento impostas pelo Governo, diversos tipos de crimes como, furtos, roubos, furtos e roubos de carro sofreram queda significativa ao comparar seus valores de 2019.

Apesar de que durante esse período crimes cometidos contra as mulheres, como violência doméstica e feminicídios aumentaram consideravelmente, segundo a Unicef, a pandemia dificultou a denúncia de violência sexual no Estado de São Paulo, o que contribuiu ainda mais para a redução nas ocorrências nesses anos.

Em relação aos anos em que houve um aumento da criminalidade em SP, destaca-se o pico no ano de 2017, no qual foram registradas 1.554.233 ocorrências. Nesse ano, segundo o Atlas da Violência ocorreu o maior nível histórico de letalidade violenta intencional no Brasil, e isso se refletiu na quantidade de ocorrência registradas no Estado de são Paulo. Ref:

https://g1.globo.com/sp/sao-paulo/noticia/2019/06/05/brasil-teve-656-mil-assassinatos-em-2017-revela-atlas-da-violencia-numero-e-maior-que-o-divulgado-pelas-autoridades-de-seguranca.ghtml

https://www.unicef.org/brazil/comunicados-de-imprensa/pandemia-dificulta-denuncia-de-violencia-sexual-contra-criancas-e-adolescentes-em-sp

https://www.ssp.sp.gov.br/estatistica/pesquisa.aspx

##############################################################################
#Evoluçao dos crimes totais no Estado de Sao Paulo

grafico1 <- dados %>% 
  group_by(ano) %>%
  summarise(ocorrencias_tot_ano = sum(ocorrencias_tot)/1000000) %>% 
  ggplot()+
  geom_line(aes(ano,ocorrencias_tot_ano),color = "darkred", size = 1) +
    labs(x = "Ano",
         y = "Ocorrencias totais (em milhares)",
         title = "Evoluçao das Ocorrencias") +
    scale_y_continuous(n.breaks = 10) +
    scale_x_continuous(n.breaks = 12) +
  theme_bw() +
  theme(axis.text.x = element_text(size = 10),
        axis.text.y = element_text(size = 12),
        panel.grid = element_blank(), 
        plot.background = element_rect(fill = "transparent", color = NA),
        panel.background = element_rect(fill = "transparent", color = NA),
        legend.background = element_rect(fill = "transparent", color = NA))

ggplotly(grafico1,tooltip="ocorrencias_tot_ano")

ANÁLISE COMPARATIVA EM RELAÇÃO A EVOLUÇÃO DOS ROUBOS DE VEÍCULOS

A fim de realizar uma análise de nível comparativo entre a evolução das ocorrências totais e um algum tipo de crime, foi utilizado a quantidade de roubos de veículos. A quantidade de roubo de veículos foi utilizada pois devido a presença do seguro, esse é o tipo de crime em que as pessoas têm muito incentivo para registrar a ocorrência, ou seja, é uma medida fidedigna para analisar o comportamento dos crimes cometidos no estado de São Paulo de 2002 a 2020.

Ao analisar comparativamente os dois gráficos, as ocorrências de roubos de veículos parecem acompanhar a tendência das ocorrências totais ao longo dos anos. Ambos os gráficos apresentam quedas significantes nos anos de 2008 e 2020, mas o ano que o roubo de carro se destaca é em 2014 e não em 2017.

Como comentado anteriormente o cenário de pandemia diminuiu alguns tipos de crime entre eles a quantidade de veículos roubados, esse fato é comprovado no gráfico, pois do mesmo jeito que a quantidade de ocorrências totais caíram 20% de 2019 para 2020, o número de roubos de veículos que já vinha diminuindo desde seu pico em 2014, sofreu uma redução de mais de 30%, de 2019 para 2020.

#Vendo a relação entre roubos de veiculos e ocorrencias totais

grafico2 <- dados %>% 
  group_by(ano) %>%
  summarise(roubos_veic_tot = sum(roubo_de_veiculo)/1000) %>% 
  ggplot()+
  geom_line(aes(ano,roubos_veic_tot),color = "darkblue", size = 1) +
  labs(x = "Ano",
       y = "Roubos de veículos (em milhares)",
       title = "Evoluçao dos roubos de veiculo") +
  scale_y_continuous(n.breaks = 10) +
  scale_x_continuous(n.breaks = 12) +
  theme_bw() +
  theme(axis.text.x = element_text(size = 10),
        axis.text.y = element_text(size = 12),
        panel.grid = element_blank(), 
        plot.background = element_rect(fill = "transparent", color = NA),
        panel.background = element_rect(fill = "transparent", color = NA),
        legend.background = element_rect(fill = "transparent", color = NA))

#Comparando 

grid.arrange(grafico1,grafico2,ncol=2,nrow=1)

ANÁLISE DA TRAJETÓRIA DA EVOLUÇÃO DAS OCORRÊNCIAS TOTAIS POR CIDADE EM TERMOS PER CAPITA

Para analisar a evolução das ocorrências totais por cidade utilizamos a população de cada um desses municípios para fazer uma análise relativa da quantidade de ocorrências per capita.

Nesse gráfico destaca-se o município Ilha Comprida, indicada pela trajetória da linha verde, que durante todos os anos da análise apresentou o maior número de ocorrências por pessoa. Sendo assim, analisando as ocorrências totais controladas pelo tamanho da população de cada município, a cidade de Ilha Comprida é o destaque negativo, devido ao seu alto número de ocorrências per capita desde 2002 até 2021, chegando a bater mais de 120 ocorrências por mil habitantes em 2017.

Vale ressaltar que Praia Grande apresentou considerável aumento no registro de ocorrências per capita a partir de 2010, chegando a atingir mais de 84 ocorrências para cada mil habitantes em 2019.

Ademais, de grosso modo, grande parte dos municípios estão no intervalo de 10 a 40 ocorrências registradas a cada mil habitantes por ano, sem nenhum município que se destaque positivamente, isto é, com poucas ocorrências per capita.

#Vendo as cidades mais perigosas em termos per capita do Estado de SP com bases
# em ocorrencias totais

cid_mais_perig <- dados %>% 
  group_by(ano,nome_municipio) %>% 
  summarise(ocorrencias_tot_pop = sum(ocorrencias_tot)/pop_2010*1000) %>% 
  ggplot()+
  geom_line(aes(ano,ocorrencias_tot_pop, 
                group = nome_municipio, color = nome_municipio)) +
  labs(x = "Ano",
       y = "Ocorrencias totais por mil habitantes",
       title = "Evolução das Ocorrencias por mil habitantes") +
  scale_y_continuous(n.breaks = 10) +
  scale_x_continuous(n.breaks = 15) +
  theme_bw() +
  theme(axis.text.x = element_text(size = 10),
        axis.text.y = element_text(size = 12),
        panel.grid = element_blank(), 
        plot.background = element_rect(fill = "transparent", color = NA),
        panel.background = element_rect(fill = "transparent", color = NA),
        legend.background = element_rect(fill = "transparent", color = NA))

## `summarise()` has grouped output by 'ano', 'nome_municipio'. You can override
## using the `.groups` argument.

ggplotly(cid_mais_perig,tooltip = c("nome_municipio","ocorrencias_tot_pop"))

ANÁLISE COMPARATIVA ENTRE AS OCORRÊNCIAS RELATIVAS ENTRE A CIDADE MAIS PERIGOSA E A MENOS PERIGOSA

A fim de realizar uma análise comparativa entre a cidade mais perigosa e menos perigosa elaboramos uma tabela para definir quais municípios serão analisados.

Ilha Comprida é considerada a cidade com maior número de ocorrências per capita e será utilizada como cidade mais perigosa quando controlada pela população.

A cidade que apresenta menor índice de ocorrências por pessoa ao longo dos anos de análise é Barra do Chapéu, como apresentado na análise. Entretanto esse número é consideravelmente menor, pois este município só começou a registrar suas ocorrências a partir de 2012. Sendo assim, para fazer uma análise comparativa mais exata consideramos o município Dobrada como o menos perigoso relativamente pois este apresenta registro em todos os anos da análise.

#Analise comparativa da ocorrencia dos crimes entre a cidade mais violenta e a menos violenta

# Descobrindo quais são as cidades mais violentas e menos violentas
dados %>% 
  group_by(nome_municipio) %>% 
  summarize(ocorr_hist = sum(ocorrencias_tot)) %>% 
  left_join(pop,by="nome_municipio") %>% 
  select(.,-id_municipio) %>% 
  mutate(violencia = ocorr_hist/pop_2010) %>% 
  arrange(violencia)

## # A tibble: 646 x 4
##    nome_municipio      ocorr_hist pop_2010 violencia
##    <chr>                    <dbl>    <dbl>     <dbl>
##  1 Barra do Chapéu            315     5236    0.0602
##  2 Dobrada                    964     7941    0.121 
##  3 Areiópolis                1415    10581    0.134 
##  4 Barão de Antonina          426     3116    0.137 
##  5 Torre de Pedra             324     2257    0.144 
##  6 Itapirapuã Paulista        572     3884    0.147 
##  7 Balbinos                   594     3932    0.151 
##  8 Ribeirão dos Índios        349     2187    0.160 
##  9 Itaporanga                2375    14546    0.163 
## 10 Pracinha                   483     2863    0.169 
## # ... with 636 more rows

Após definida Ilha comprida como a cidade relativamente mais perigosa e Dobrada como a cidade menos perigosa, realizamos uma análise comparativa das distribuição dos diferentes tipos de crimes entre as duas.

A partir do gráfico destacam-se em ambas as cidades a quantidade de Furtos registradas ao longo dos anos, no município Ilha Comprida mais de 70% das ocorrências registradas são do tipo “Furto e outros” já em Dobrada essa categoria representa pouco mais de 40% das ocorrências na cidade.

Outro destaque na proporção criminal está na quantidade de ocorrências que indicam crimes de Lesão Corporal Dolosa. Em Dobrada pouco mais de ¼ das ocorrências registradas são referentes a Lesão Corporal Dolosa, enquanto em Ilha Comprida essa categoria apesar de ter uma proporção menor, de 14%, ainda possui destaque na quantidade total de ocorrências. Além disso, a partir da análise a categoria “Outros” em Dobrada tem uma proporção de 19,8% em relação às ocorrências totais. Com isso, conclui-se que diversos tipos de crimes que possuem uma recorrência pequena, quando somados são relevantes para a análise. Isto é, comparativamente a Ilha Comprida o município de Dobrada apresenta uma maior distribuição em relação aos diferentes tipos de crimes.

#Ilha Comprida
ilhacomprida <- dados %>% 
  select(-c(mes,id_municipio,pop_2010,ocorrencias_tot)) %>% 
  pivot_longer(-c(ano,nome_municipio),
               names_to="Crime",
               values_to="Ocorrencias") %>% 
  group_by(nome_municipio,ano,Crime) %>% 
  summarize(Ocorrencias = sum(Ocorrencias)) %>% 
  filter(nome_municipio == 'Ilha Comprida') 

## `summarise()` has grouped output by 'nome_municipio', 'ano'. You can override
## using the `.groups` argument.

ilhacomprida$Crime <- ilhacomprida$Crime %>% 
  str_replace_all("_"," ") %>% 
  str_to_title()

ilhacomprida$Crime[which(ilhacomprida$Ocorrencias <20)] <- "Outros"

#Dobrada
dobrada <- dados %>% 
  select(-c(mes,id_municipio,pop_2010,ocorrencias_tot)) %>% 
  pivot_longer(-c(ano,nome_municipio),
               names_to="Crime",
               values_to="Ocorrencias") %>% 
  group_by(nome_municipio,ano,Crime) %>% 
  summarize(Ocorrencias = sum(Ocorrencias)) %>% 
  filter(nome_municipio == 'Dobrada') 

## `summarise()` has grouped output by 'nome_municipio', 'ano'. You can override
## using the `.groups` argument.

dobrada$Crime <- dobrada$Crime %>% 
  str_replace_all("_"," ") %>% 
  str_to_title()

dobrada$Crime[which(dobrada$Ocorrencias < 5)] <- "Outros"

#Grafico

fig <- plot_ly()

fig<- fig %>% add_pie(data = ilhacomprida %>% 
                        mutate(Crime = fct_lump(Crime,5)),
                      labels=~Crime,
                      values=~Ocorrencias,
                      name = "Ilha Comprida",
                      title = 'Ilha Comprida',
                      domain = list(row = 0, column = 0),
                      legendgroup=~Crime)

fig <- fig %>% add_pie(data = dobrada %>% 
                         mutate(Crime = fct_lump(Crime,5)),
                       labels=~Crime,
                       values=~Ocorrencias,
                       name = "Dobrada",
                       title = "Dobrada",
                       domain = list(row = 0, column = 1))

fig <- fig %>% layout(title = "Ilha Comprida x Dobrada",
                      grid=list(rows=1, columns=2),
                      xaxis = list(showgrid = FALSE, zeroline = FALSE, showticklabels = FALSE),
                      yaxis = list(showgrid = FALSE, zeroline = FALSE, showticklabels = FALSE))

fig

MUDANÇAS NA DISTRIBUIÇÃO DOS DIFERENTES TIPOS DE CRIME NO ESTADO DE SÃO PAULO EM 2010 x 2020

Para analisar a mudança na distribuição dos diferentes tipos de ocorrências registradas, elaboramos gráficos de pizzas para a distribuição dos crimes em São Paulo no ano de 2010 e 2020, uma vez que procuramos analisar como a distribuição dos crimes comportou-se com o choque da pandemia. Isso porque o ano de 2020 foi atípico devido às restrições de isolamento social impostas pela pandemia.

Pode-se dizer que as ocorrências de determinados crimes entre 2010 e 2020 mudaram suas proporções significativamente. Mais especificamente, em relação aos dois tipos de ocorrências mais significativas nos dois anos da análise, em um período de 10 anos os a categoria “Furtos” caíram 5,5 pontos percentuais, enquanto o “Total de roubos” subiu 0,9 pontos pontos percentuais.

Outrossim, destaca-se a redução na quantidade de ocorrências registradas que medem a lesão corporal culposa por acidente de trabalho, essa categoria que antes representava 11% das ocorrências, em 2020 passou a representar 4,9%, isto é, redução de 6,1 pontos percentuais.

Vale salientar ainda salientar que o crime de roubo se tornou significante na análise passando a representar em 2020, 18,9% dos totais de crimes.

##Estado de SP

#2010
estado2010 <- dados %>% 
  select(-c(mes,nome_municipio,id_municipio,pop_2010,ocorrencias_tot)) %>% 
  pivot_longer(-c(ano),
               names_to="Crime",
               values_to="Ocorrencias") %>% 
  group_by(ano,Crime) %>% 
  summarize(Ocorrencias = sum(Ocorrencias)) %>% 
  filter(ano == 2010) 

## `summarise()` has grouped output by 'ano'. You can override using the `.groups`
## argument.

estado2010$Crime <- estado2010$Crime %>% 
  str_replace_all("_"," ") %>% 
  str_to_title()

estado2010$Crime[which(estado2010$Ocorrencias < 5000)] <- "Outros"

#2020
estado2020 <- dados %>% 
  select(-c(mes,nome_municipio,id_municipio,pop_2010,ocorrencias_tot)) %>% 
  pivot_longer(-c(ano),
               names_to="Crime",
               values_to="Ocorrencias") %>% 
  group_by(ano,Crime) %>% 
  summarize(Ocorrencias = sum(Ocorrencias)) %>% 
  filter(ano == 2020) 

## `summarise()` has grouped output by 'ano'. You can override using the `.groups`
## argument.

estado2020$Crime <- estado2020$Crime %>% 
  str_replace_all("_"," ") %>% 
  str_to_title()

estado2020$Crime[which(estado2020$Ocorrencias < 5000)] <- "Outros"

#Grafiico
fig1 <- plot_ly()

fig1<- fig1 %>% add_pie(data = estado2010 %>% 
                        mutate(Crime = fct_lump(Crime,5)),
                      labels=~Crime,
                      values=~Ocorrencias,
                      name = "2010",
                      title = '2010',
                      domain = list(row = 0, column = 0),
                      legendgroup=~Crime)

fig1 <- fig1 %>% add_pie(data = estado2020 %>% 
                         mutate(Crime = fct_lump(Crime,5)),
                       labels=~Crime,
                       values=~Ocorrencias,
                       name = "2020",
                       title = "2020",
                       domain = list(row = 0, column = 1))

fig1 <- fig1 %>% layout(title = "Distribuiçao dos Crimes no Estado de Sao Paulo 2010 x 2020",
                      grid=list(rows=1, columns=2),
                      xaxis = list(showgrid = FALSE, zeroline = FALSE, showticklabels = FALSE),
                      yaxis = list(showgrid = FALSE, zeroline = FALSE, showticklabels = FALSE))

fig1

COMO A PANDEMIA AFETOU A OCORRÊNCIA DE CRIMES AO LONGO DOS MESES

Criamos gráficos de barras de ocorrências de crimes em cada mês do ano com o objetivo de comparar a evolução dos crimes ao longo do ano anterior à pandemia de coronavírus (2019) com as ocorrências ao longo do ano posterior à pandemia (2020).

Assim, podemos examinar no gráfico de 2019 que fevereiro foi o mês com menores ocorrências de crimes e março com maiores ocorrências, além disso, é impressionante observar que para esse ano os crimes parecem se manter constantes ao longo dos anos. Tal realidade não se perpetua no gráfico de 2020, uma vez que a partir de março às ocorrências caem drasticamente, sendo abril o mês com menor número de casos registrados, já que esse foi o período em que as medidas de isolamento sociais foram mais restritivas, com isso, a partir de maio às ocorrências de crimes vão retomando a normalidade novamente.

Diante do exposto, portanto, pode-se observar que o isolamento social associado a pandemia foi um fator que diminui drasticamente os números de crimes registrados.

#Pandemia: Analise dos crimes ao longo dos meses -> 2019 x 2020
mes2019<-dados %>% 
  filter(ano==2019) %>% 
  select(-c(ano,id_municipio,ocorrencias_tot,pop_2010)) %>% 
  pivot_longer(-c(mes,nome_municipio),
               names_to="Crime",
               values_to="Ocorrencias") %>% 
  group_by(mes) %>% 
  summarize(Ocorrencias = sum(Ocorrencias))

mes2020<-dados %>% 
  filter(ano==2020) %>% 
  select(-c(ano,id_municipio,ocorrencias_tot,pop_2010)) %>% 
  pivot_longer(-c(mes,nome_municipio),
               names_to="Crime",
               values_to="Ocorrencias") %>% 
  group_by(mes) %>% 
  summarize(Ocorrencias = sum(Ocorrencias))


graficomes2019 <- mes2019 %>%
  ggplot()+
        geom_bar(aes(mes,Ocorrencias), fill = "darkblue", stat="identity")+
        theme_set(theme_bw())+
        scale_x_continuous(n.breaks=11)+
        labs(x = "Mes",
             y = "Ocorrencias",
             title='2019')+
  ylim(c(0,125000))+
  scale_y_continuous(n.breaks = 8) +
  scale_x_continuous(n.breaks = 13) +
  theme_bw() +
  theme(axis.text.x = element_text(size = 10),
        axis.text.y = element_text(size = 12),
        panel.grid = element_blank(), 
        plot.background = element_rect(fill = "transparent", color = NA),
        panel.background = element_rect(fill = "transparent", color = NA),
        legend.background = element_rect(fill = "transparent", color = NA))

## Scale for 'y' is already present. Adding another scale for 'y', which will
## replace the existing scale.

## Scale for 'x' is already present. Adding another scale for 'x', which will
## replace the existing scale.

graficomes2020 <- mes2020 %>%
  ggplot()+
  geom_bar(aes(mes,Ocorrencias),fill = "black", stat="identity")+
  theme_set(theme_bw())+
  scale_x_continuous(n.breaks=11)+
  labs(x = "Mes",
       y = "",
       title='2020')+
  ylim(c(0,125000))+
  scale_y_continuous(n.breaks = 8) +
  scale_x_continuous(n.breaks = 13) +
  theme_bw() +
  theme(axis.text.x = element_text(size = 10),
        axis.text.y = element_text(size = 12),
        panel.grid = element_blank(), 
        plot.background = element_rect(fill = "transparent", color = NA),
        panel.background = element_rect(fill = "transparent", color = NA),
        legend.background = element_rect(fill = "transparent", color = NA))

## Scale for 'y' is already present. Adding another scale for 'y', which will
## replace the existing scale.
## Scale for 'x' is already present. Adding another scale for 'x', which will
## replace the existing scale.

grid.arrange(graficomes2019, graficomes2020, nrow = 1, top="Distribuiçao da quantidade de crimes ao longo dos meses")

RELAÇÃO ENTRE ROUBO DE CARROS E HOMICÍDIOS CULPOSOS NO TRANSITO

É impressionante observar como um quadro de roubos de carros geram vítimas de acidentes de trânsito, uma vez que nesse quadro tanto o criminoso quanto as vítimas tendem a dirigir de maneira negligente o que pode refletir em mortes.

Assim, para entender de que maneira o número de roubos de carro influencia o número de homicídios culposos no trânsito foi utilizada uma regressão linear. Assim, como o P-valor deu muito baixo, ratifica-se que a variável tem significância, ou seja, roubo de veículo tem relevância para explicar homicídio culposo por acidente de trânsito. Além disso, como o coeficiente linear é positivo, quanto maior as ocorrências registradas de roubo de veículo, maior serão as ocorrências registradas de homicídio culposo, porém esse impacto não é tão relevante uma vez que o coeficiente linear é baixo.

#Regresao

#Analise para entender de que maneira o numero de roubos de carro influencia o numero de homicidios culposos no transito 
#(devido a acidentes com morte durante a fulga dos crimes)

cor(dados$homicidio_culposo_por_acidente_de_transito,
    dados$roubo_de_veiculo)

## [1] 0.8666742

model <- lm(homicidio_culposo_por_acidente_de_transito ~ roubo_de_veiculo,
            data=dados) 
summary(model)

## 
## Call:
## lm(formula = homicidio_culposo_por_acidente_de_transito ~ roubo_de_veiculo, 
##     data = dados)
## 
## Residuals:
##     Min      1Q  Median      3Q     Max 
## -47.959  -0.394  -0.394   0.180  44.575 
## 
## Coefficients:
##                   Estimate Std. Error t value Pr(>|t|)    
## (Intercept)      3.937e-01  3.125e-03   126.0   <2e-16 ***
## roubo_de_veiculo 1.605e-02  2.417e-05   664.1   <2e-16 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 1.191 on 146134 degrees of freedom
## Multiple R-squared:  0.7511, Adjusted R-squared:  0.7511 
## F-statistic: 4.41e+05 on 1 and 146134 DF,  p-value: < 2.2e-16